通过最小二乘图实现多智能体目标跟踪的鲁棒3D感知

边缘AI系统（如自动驾驶车辆）的关键感知能力需要能够抵御对抗性威胁，通过随时间准确识别和定位场景中的多个目标来减轻其影响。单智能体跟踪具有对抗攻击的鲁棒性，但缺乏态势感知，这凸显了多智能体合作以增强上下文理解和鲁棒性的必要性。本文提出了一种新颖的缓解框架，针对3D LiDAR场景中的对抗噪声，通过基于多智能体对抗边界框的最小二乘图来跟踪目标。具体来说，我们利用最小二乘图工具，通过差分坐标和锚点在全连接图上利用重叠边界框来减少每个检测质心的诱导位置误差。因此，多车辆检测被融合和细化以减轻对抗影响，并在两个阶段与现有轨迹关联以执行跟踪，从而进一步抑制对抗威胁。在真实世界V2V4Real数据集上的广泛评估研究表明，所提出的方法在具有挑战性的对抗条件下，性能显著优于最先进的单智能体和多智能体跟踪框架，提升幅度高达23.3%，并且作为一种弹性方法无需依赖额外的防御机制。